Генеративный ИИ активно внедряется в компаниях, однако заметные результаты чаще наблюдаются в косвенных процессах — например, при составлении документов и резюме протоколов. В то же время производственные процессы меняются не так заметно. Производственный ИИ-агент — это система, которая самостоятельно принимает решения и выполняет задачи (планирование производства, техобслуживание оборудования, контроль качества) без указаний человека.
Одно из ярких подтверждений эффективности ИИ-агентов — результат Panasonic Connect: компания сократила время работы по сопоставлению чертежей и проектных спецификаций на 97 %. Система построена на базе AI/data-платформы «Connect Corpus», для анализа PDF-чертежей используется Snowflake’s Cortex AI. Цель внедрения — не только сократить трудозатраты, но и снизить риски экономических потерь и ущерба бренду из‑за пропусков при проверке (／Manufacturing AI |).
Согласно «Книге о производстве 2026 года», 70 % предприятий собирают данные в производственных процессах, но лишь 40 % эффективно их используют. При этом связь данных между компаниями почти не продвинулась за последние 2 года (2026 |).
ИИ-агент отличается от генеративного ИИ и RPA объёмом выполняемых задач. Генеративный ИИ отвечает на вопросы и создаёт документы, но фактическая обработка данных остаётся за человеком. RPA точно повторяет заданные операции с интерфейсом, но останавливается при встрече с нестандартным форматом. ИИ-агент самостоятельно выстраивает последовательность действий, собирает данные и выполняет операции в системах.
Производственные ИИ-агенты состоят из четырёх функций:
* восприятие (чтение данных о работе оборудования, PDF-чертежей, изображений контроля, рабочих отчётов);
* память (поиск и использование записей об обслуживании и прошлых инцидентах);
* планирование (разбиение заданной цели на выполнимые шаги);
* действие (запись в MES/ERP, выдача рабочих указаний, уведомление ответственных).
Самая трудоёмкая в настройке функция — память. Проблемы с бумажными записями об обслуживании и разными наименованиями оборудования в отделах мешают ИИ использовать прошлые решения. Восприятие и действие быстрее внедряются на предприятиях с уже имеющейся IoT-инфраструктурой и MES.
В производстве используются три типа AI-агентов:
* знаниевый (поиск прошлых инцидентов, проверка технических стандартов, создание документов; низкий уровень сложности внедрения);
* плановый (составление производственных планов, прогнозирование спроса, оптимизация запасов и закупок; средний уровень сложности, требуется интеграция с базовыми системами);
* контрольный (мониторинг оборудования, первичные действия при неисправностях, настройка условий управления; высокий уровень сложности, необходима безопасность OT).
Порядок внедрения соответствует перечисленным типам: начать с знаниевого типа, затем перейти к плановому, контрольный внедрять с учётом рисков остановки производства и требований безопасности.
Факторы, ускоряющие внедрение AI-агентов в производстве:
* нехватка руководящих кадров и проблемы с передачей навыков;
* наличие данных без их практического использования;
* усложнение плановых задач из‑за многономенклатурного мелкосерийного производства;
* преимущественное использование генеративного AI в вспомогательных процессах.
По данным «монодзукури хакусё» (2026), более 60 % предприятий указали на нехватку кадров для обучения. В рамках передачи навыков 54,8 % предприятий стремятся продлить работу пожилых сотрудников. AI-агенты позволяют сохранить знания в виде системы, даже если у сотрудников нет времени на обучение других.
Обязанности AI-агентов в производстве можно сгруппировать по семи этапам:
* проектирование (сопоставление чертежей и технических спецификаций, поиск прошлых чертежей); KPI: время сопоставления, количество возвратов на последующих этапах;
* планирование производства (разработка планов, перерасчёт при изменениях); KPI: время разработки плана, соблюдение сроков поставки;
* производство и контроль качества (внешний осмотр, выявление причин дефектов и предложение мер); KPI: уровень брака, время выявления причины;
* техническое обслуживание оборудования (прогнозное обслуживание, первичное реагирование при сбоях); KPI: время простоя оборудования, среднее время восстановления;
* закупки и SCM (прогнозирование спроса, согласование поставок с поставщиками); KPI: оборачиваемость запасов, количество невыполненных заказов;
* передача навыков (формализация ноу-хау опытных сотрудников, ответы на запросы с производства); KPI: время ответа на запросы, период самостоятельного выполнения работы;
* косвенные операции (составление отчётов о проделанной работе, документов о качестве, аудиторских материалов); KPI: время составления отчётов, количество пропущенных записей.
Примеры использования AI-агентов в производстве:
* Hitachi Manufacturing сократила время поиска по случаям устранения неполадок примерно на 90 % (AIHMAX Industry |);
* Toyota Motor использует систему «O-Beya» — AI-версию метода «большой комнаты». В ней работают 9 специализированных AI-агентов (по направлениям: вибрация, расход топлива, нормативы и др.), которые совместно формируют ответ. Система работает на базе Azure OpenAI Service и построена на основе реальных проектных данных инженеров (AI |);
* Hitachi Systems предоставила ассистентский ИИ для сотрудников на производстве — эффективность работы повысилась примерно на 32 %. Используется Microsoft Azure AI Foundry Agent Service. Цели: передача знаний при уходе опытных специалистов, предотвращение несчастных случаев на производстве за счёт оцифровки данных;
* Daikin Industries начала тестовое использование AI-агента для диагностики неисправностей оборудования. ИИ считывает схемы оборудования в виде графа знаний, изучает записи о техническом обслуживании и процесс анализа причин неисправностей. В ходе предварительных испытаний подтверждено, что за 10 секунд достигается точность более 90 % в определении причин и мер по устранению;
* Yokohama Electric и ENEOS Material использовали AI с подкреплением «FKDPP» для автономного управления химическим заводом в течение 35 дней. Удалось поддерживать качество и уровень жидкости в дистилляционной колонне при максимальном использовании отходящего тепла. В 2023 году система официально введена в эксплуатацию после года стабильной работы. Отмечено снижение потребления пара и выбросов CO2 по сравнению с ручным управлением;
* GE Appliances развернула более 800 AI-агентов в производстве, логистике и цепочке поставок, используя Google Cloud Gemini Enterprise. В 2025 году внедрён агент для связи с поставщиками — автоматизирована связь с более чем 600 компаниями, что позволило сократить остатки заказов на 25 %. Компания отгружает около 27 млн деталей в год, работает с более чем 700 поставщиками запчастей; агенты анализируют производственные показатели и выявляют логистические проблемы (Gemini Enterprise);
* «Кулимото тэкосё» совместно с «Хитати Хай-Тек» оптимизирует условия производства батарейного сларри с помощью физического ИИ. Генеративный ИИ сопоставляет общедоступную информацию (патенты, статьи) с данными компании для предложения оптимальных условий смешивания и управления (AI |). Также применяется технология процессной информатики для прогнозирования характеристик батареи на основе опытных данных — цель: снизить нагрузку на этапе прототипирования и сократить сроки рассмотрения.
Три уровня автономности для AI-агентов в производстве:
* Уровень 1: AI даёт предложения, решение принимает человек. AI предоставляет планы, предполагаемые причины проблем и варианты решений с обоснованиями, но не имеет прав на запись в систему. Подходит для передачи навыков, поиска прошлых проблем, черновиков отчётов (примеры — Hitachi, Toyota).
* Уровень 2: в рамках заданных условий AI действует автоматически, при выходе за рамки передаёт решение человеку. Например, при объёме заказа ниже установленного лимита обработка происходит автоматически, при превышении — требуется одобрение. Необходимо чётко определить условия для действий AI (сумма, категория товаров, диапазон изменений, временной интервал). Эффективен для закупок и косвенных операций.
* Уровень 3: AI самостоятельно достигает заданной цели, выбирая средства её достижения. Пример — автономное управление в Yokogawa Electric и ENEOS Material. Требуется длительная проверка: например, сначала 35 дней непрерывной работы, затем около года стабильного функционирования перед официальным внедрением.
Пять причин неудачи внедрения AI-агентов в производстве:
1. Остановка на этапе эксперимента и невозможность перехода на производственную линию.
2. Отсутствие проектирования интеграции с MES, ERP, PLC.
3. Несоответствие гранулярности и формата данных на производстве.
4. Недостаточная проработка безопасности на границе IT/OT.
5. Отсутствие персонала для эксплуатации на производстве.
Пять шагов внедрения AI-агента в производстве:
1. Определить целевой процесс и уровень автономности: выбрать один процесс из семи по критериям (высокая частота возникновения, возможность документирования критериев оценки, оцифровка необходимых данных), начать с уровня автономности 1.
2. Подготовить данные и интеграцию систем: извлечь документы и данные, относящиеся к целевому процессу, начать с составления списка названий оборудования и кодов товаров, оцифровать бумажные записи за последние несколько лет, определить способ получения данных из MES или ERP, при отсутствии API рассмотреть вариант с промежуточной базой данных; планировать 2–3 месяца на этот этап.
3. Определить KPI и провести небольшое тестирование. Перед началом проверки необходимо определить целевые значения KPI, методы измерения, сроки оценки и лицо, ответственное за решение о продолжении. Цели формулируются с указанием числовых показателей и сроков, например, «сократить время на одну операцию на 50 %». Проверка ограничивается одной линией, одной группой продуктов или одним отделом; достаточно 10 участников. Заранее прописываются критерии выхода из проекта в случае недостижения целей.
4. Разработать правила эксплуатации и журналы аудита: документировать процессы утверждения (в зависимости от уровня автономности), необходимые логи, процедуры остановки, права на изменение настроек и место хранения истории изменений. Предусмотреть механизм отчётности об ошибках AI. Заранее подготовить материалы для соответствия требованиям ISO-аудита и аудита клиентов, провести проверку со стороны службы безопасности.
5. Распространить успешный механизм на другие процессы и локации: унифицировать базу данных и управление правами доступа (пример — GE Appliances развернула более 800 агентов благодаря общей базе). Увеличить число сотрудников, способных самостоятельно вносить изменения и дополнять документацию — это ускорит улучшения. Первый успешный кейс документировать для тиражирования в других отделах.
Затраты на внедрение AI-агентов в производстве делятся на три паттерна:
* SaaS-модель: стартовые затраты — 0–300 тыс. йен, ежемесячные — от нескольких десятков тысяч до нескольких сотен тысяч йен; подходит для постепенного старта на основе базы знаний.
* Интеграция с существующей базой: стартовые затраты — 500 тыс.–3 млн йен, ежемесячные — 100–500 тыс. йен; предполагает интеграцию с MES/ERP.
* Полная кастомизация: стартовые затраты — от 3 млн до 1,5 млн+ йен, ежемесячные — от 300 тыс. йен и выше; ориентирована на специфические процессы компании.
Цены указаны без учёта налогов, итоговая стоимость зависит от числа интегрируемых систем и количества пользователей.
Пять критериев выбора AI-агентов для производства:
1. Способ интеграции с MES/ERP.
2. Поддержка локальной инфраструктуры и закрытой среды.
3. Удобство использования для рабочих на производстве.
4. Система поддержки внедрения и закрепления решения.
5. Тарифная система и прогноз окупаемости.
Рекомендуемые AI-агенты для производства:
* /Takumi (Такуми) от (Акари) — специализируется на терминологии производства, законах, технических стандартах и правилах безопасности; выполняет поиск и анализ накопленных данных, проверку законодательства, создание и редактирование документов, генерацию файлов в формате Excel и PowerPoint; в июне 2026 года превысил официальные проходные баллы в 13 видах квалификационных экзаменов, связанных с производством (AI/Takumi13 |);
* HMAX Industry от — AI-агент, ориентированный на задачи обеспечения качества. С 2026 года предоставляется HMAX Industry (в линейке для промышленного сектора) — помогает извлекать знания из прошлых данных о качестве, поддерживает поиск примеров при возникновении проблем и создание отчётов. На пилотных внедрениях на собственных заводах удалось сократить время поиска примерно на 90 %, время создания отчётов — более чем на 80 % (AIHMAX Industry |);
* Siemens Industrial Copilot от — AI-ассистент для работы с системами управления. Может генерировать программы PLC из естественного языка, помогает выявлять неисправности с помощью документов и руководств (AI： Industrial Copilot |). Предлагается комбинация с сервисом Senseye Predictive Maintenance — позволяет рассматривать управление и техническое обслуживание в единой системе;
* Gemini Enterprise от Google Cloud — платформа для массового создания агентов по направлениям бизнеса. Предоставляет механизм поиска внутренних данных и среду для построения агентов. GE Appliances использовала эту платформу для развёртывания более 800 агентов в сферах производства, логистики и цепочки поставок. Тарификация зависит от числа пользователей, за обработку пользовательских агентов взимается дополнительная плата;
* cotomi Act от NEC — технология для автоматического извлечения неявных знаний из бизнес-практик. Преобразует неявные знания, полученные из действий сотрудников, в данные, которые можно использовать в масштабах всей организации. Основана на разработанной NEC крупномасштабной языковой модели cotomi. В настоящее время проводится тестирование внутри группы NEC, планируется предоставление сервиса в течение 2026 финансового года (AI：NEC Generative AI | NEC);
* Agentforce от Salesforce — позволяет создавать агентов, охватывающих обслуживание клиентов и внутренние бизнес-процессы. Оплата по модели с потреблением кредитов за действие (Salesforce Agentforce | ・), стоимость зависит от количества обрабатываемых дел — нужно заранее определить количество соответствующих дел. Для компаний, уже использующих Salesforce, возможно начало работы без дополнительной разработки интеграции (Agentforce).
Для системного изучения проектирования AI-агентов и их внедрения в компании можно воспользоваться специализированными семинарами и обучающими программами .
HOME
2026 |
RPA
2026 |
1AI |
AI |
AI | ENEOS
AIENEOS |
GE Appliances Reinvents Manufacturing Operations at Scale with Google Cloud’s Gemini Enterprise | GE Appliances
Подписаться в Макс
